Previsão do Consumo de Energia de Estações de Tratamento de Esgoto com uma Abordagem de Transferência de Aprendizado para Cidades Sustentáveis

Um dos grandes desafios da sociedade atual é tornar grandes centros urbanos mais sustentáveis. Melhorar a eficiência energética das várias infraestruturas que compõem as cidades é um aspecto a ser considerado ao melhorar sua sustentabilidade, com as Estações de Tratamento de Esgoto (ETE) sendo uma delas. Consequentemente, este estudo visa conceber, ajustar e avaliar um conjunto de modelos de aprendizado profundo candidatos com o objetivo de prever o consumo de energia de uma ETE, seguindo uma abordagem recursiva de múltiplas etapas. Três tipos distintos de modelos foram experimentados, em particular, Redes Neural Longa de Memória de Curto Prazo (LSTMs), Unidades Recorrentes Gated (GRUs) e Redes Neurais Convolucionais unidimensionais (CNNs). Configurações unidimensionais e multidimensionais foram avaliadas, assim como diferentes métodos para lidar com outliers. Resultados de previsão promissores foram obtidos por meio de modelos baseados em CNN, sendo essa diferença estatisticamente significativa quando comparada a LSTMs e GRUs, com o melhor modelo apresentando um erro global aproximado de 630 kWh em uma configuração multidimensional. Por fim, para superar o problema da escassez de dados em ETEs, processos de transferência de aprendizado foram implementados, com resultados promissores sendo alcançados ao usar um modelo CNN unidimensional pré-treinado, com o erro global reduzindo para 325 kWh.